- 博客(124)
- 资源 (339)
- 收藏
- 关注
原创 GIS分析之采用最近邻法进行空间聚类
为了形成这种结构,应形成一个方阵 D,用于保存所有部署的货车对之间的距离,其中条目 D(i,j) 表示货车 i 和货车 j 之间的距离。如果 Alexa 有聚类经验,她可能会立即想到的一种方法是基于密度的聚类或 DBSCAN,因为使用 DBSCAN,𝜺 参数控制新点与聚类之间允许的最大距离,以便将该点添加到聚类中。但是,由于层次聚类还依赖于第一次迭代后点和簇之间的距离,根据所选择的树切割,它要么产生太多的小簇,要么将许多货车聚集在一起,这些距离可能太远,并且无法提供中间立场冰淇淋业务所需的解决方案。
2024-04-27 11:46:41 1330
原创 Python 中空间数据的 10 个基本操作
地球的每个部分都有其特定的坐标参考系统或 CRS,它可以最大限度地减少在 2D 平面上处理 3D(几乎)球面坐标(例如参考地球上的点的坐标)的误差。列表之间的交集可能是一个非常长的操作,该操作随着形状的复杂性而增长。在下面的代码中,我们给出了一个示例,说明如何在给定多边形。尽管这看起来似乎是一件微不足道的事情,但我经常面临的一个问题是提取几何图形的坐标并使用它们将其可视化。计算n个点列表的最近邻,意味着必须计算每个点到每个其他点的距离,这需要。在下面的示例中,我们绘制了意大利地区人口的空间分布。
2024-04-26 10:52:54 1501
原创 用 Python 创建 Voronoi 图
假设有人很快就会耗尽汽油,他/她需要在为时已晚之前找到最近的加油站,解决这个问题的最佳解决方案是什么?当然,驾驶员可以检查地图来找到最近的加油站,但如果该地区有多个加油站,并且他/她需要快速确定哪个加油站是最近的,则可能会出现问题。所以在多边形内,最近的 POI 肯定是多边形内的点。Geovoronoi 是一个用于在地理区域内创建和绘制 Voronoi 区域的软件包。在这个项目中,我根据 POI 数据在地图上创建 Voronoi 区域。创建新的数据框来收集每个 Voronoi 区域内的街道网络。
2024-04-26 10:48:04 1168 1
原创 基于Python的Sentinel-2 卫星图像NDWI洪水检测
有趣的是,洪水前事件(红色条)中的一些非水像素(负区域)已转移到洪水后图像中正区域(蓝色条)中的水像素。在这篇文章中,我们将下载两张在迪拜洪水泛滥地点拍摄的 Sentinel-2 图像:一张是在洪水事件发生前评估洪水事件发生前的情况,另一张是在 4 月 17 日洪水事件期间拍摄。洪水前的 Sentinel-2 RGB 图像(左)、洪水后的 Sentinel-2 RGB 图像(中)以及洪水后时期的洪水区域(右),由作者可视化。您在此处看到的差异(4 月 17 日拍摄的图像中的绿色像素)对应于洪水区域。
2024-04-26 10:03:55 1335 1
原创 Raster Vision :地理空间深度学习框架
使用正确的工具,我们可以从这些文件中提取正确转换的光栅图像和相应的标签,我们可以愉快地将其输入到我们的计算机视觉模型中;它将光栅化和矢量化、下载和上传、分析和标准化、切片和剪辑、连接和提取,一般来说,会尽一切努力确保数据以正确的形状到达正确的位置。缩小范围,我们可以将 Raster Vision 总结为一个框架,它使开发人员能够快速、可重复地配置贯穿机器学习工作流程核心组件的管道:分析和预处理训练数据、训练模型、创建预测、评估模型以及捆绑模型文件和配置以方便部署。我们如何将采样的芯片限制在一个区域?
2024-04-25 09:47:33 810
原创 使用 GeoPandas 进行延时等值线地图可视化
正如您所看到的,该数据框包含各种形状的几何形状以及各种属性,例如地区和州名称。如果独立可视化包含 110 天的数据,则第一个可视化将包含一天的数据,第二个可视化将包含两天的数据,第 110 个可视化将包含所有 110 天的数据。正如您所看到的,从输出图中,我们已经隔离了 UP 区。这是 geopandas 的一个非常酷的功能,您只需调用 .plot() 即可绘制数据框中包含的所有形状。在这里,我们将地区列设置为 geopandas 和数据数据框中的索引,以便我们可以获得合并数据框中每个地区的安装数量。
2024-04-25 09:31:01 925
原创 使用 ArcGIS 对洪水预测进行建模
换句话说,我将计算的速度将受到空间分量(例如坡度和流量累积)的影响,但不会受到时间或流量分量的影响。细胞总数为 183,192。我将创建一个名为“Stowe_Hydrology.gdb”的新地理数据库,在其中保存这些数据以及创建的所有后续图层。第一层将下限阈值设置为每秒 0.02 米,称为“Stowe_velocity_lower_limited”。最终的速度层将被称为“Stowe_velocity”。工具,我想添加一个名为“面积(平方米)”的列,这样我就可以分配一个等于每个间隔中的单元格数量的面积值。
2024-04-23 11:02:36 1691
原创 ArcGIS Pro 和 Python — 分析全球主要城市中心的土地覆盖变化
每个城市的最终结果不同,但总的主题是相同的——从 1992 年到 2019 年,这五个城市都经历了显着的城市增长。我需要确保此定义查询是在包含所有年份的原始栅格图层上执行的,而不是在我刚刚为 1992 年创建的新图层上执行的。在运行该工具之前,我将确保地图的当前显示比例为 1:400,000,这对于每个城市的地图都是相同的,因此我在所有地图和图层之间保持一致性。由于门户中的土地覆盖栅格图层包含 1992 年至 2019 年间每年的数据,因此我需要每年添加时间戳以创建新图层,以便稍后比较更改。
2024-04-23 10:59:41 1482
原创 GeoServer 样式指南
Geoserver 允许用户上传在第 3 方应用程序(例如 QGIS)中创建的样式文件(例如 .sld 文件),从而节省开发人员重写样式的精力,并为制图人员提供创建样式的能力在 QGIS 上并在 GeoServer 中使用。——GeoServer选取图层来显示我们可以应用样式的列,这些列可以保存字符串、整数、布尔值等信息,然后可以使用这些信息来创建更详细的样式。一个例子是,如果我有针对印度不同人口分类的样式,我可以复制相同的样式来创建新样式,然后仅更改人口数量条,以使其根据美国数据变得合理。
2024-04-22 11:20:49 1064
原创 使用 Python 创建森林地图
该数据相当古老,显示的是 2003 年的森林,这显然是很久以前的事了,但是这里使用的方法将适用于其他森林数据集,或者实际上适用于存储在该数据集中的一些较新(但更大)的数据。出于本次练习的目的,我们将假设海洋的树木覆盖率为 0%,这可能是一个相当安全的假设,但至少值得一提,因此,在下面的代码中,所有大于 100 的值都会更改到 0。我想为森林覆盖率为 0 的网格点设置自定义背景颜色,因此我们使用下面的代码生成具有 101 种颜色的颜色图,用我们的自定义值替换第一个颜色,然后从该颜色列表创建一个新的颜色图。
2024-04-22 11:14:59 896
原创 在 Apache Sedona 中处理空间栅格数据
它是一种基于网格的数据结构,其中网格中的每个单元或像素代表地球表面的特定位置。在最近的版本中,Sedona 社区在可扩展的栅格数据支持方面投入了更多资金,包括栅格数据读取器、写入器和栅格操作。完成此操作后,我们可以创建一个同时具有几何列和栅格列的表。我们添加了额外的构造函数,例如 RS_FromGeoTiff 和 RS_FromAscGrid,它们允许您将各种栅格二进制格式转换为统一的栅格格式。首先,将栅格数据转换为特定的二进制格式,例如 GeoTiff。正如我们所看到的,该列现在的类型是栅格。
2024-04-21 17:56:55 925
原创 如何通过Python脚本使用QGIS空间算法
因此,如果您需要从 python 控制台/jupyter 笔记本使用 QGIS 库,您需要确保您的 python 可以找到 QGIS 库路径。使用 conda,您可以像 Python 上的任何其他库一样安装 QGIS 包。您可以通过从默认虚拟Python环境映射其系统环境路径来使用QGIS Desktop及其库的现有安装(甚至使用QGIS插件安装的GRASS、SAGA和其他算法)。您可以将一个现有的 QGIS 安装用于多个 Python 环境,而不会出现依赖包问题,同时使用的不仅仅是 QGIS 的核心库。
2024-04-21 17:53:24 1574
原创 Google Coolab 和 Google Earth 上的 NDVI 计算
归一化植被指数(NDVI)归一化植被指数 (NDVI)植物叶子中的色素叶绿素强烈吸收可见光(0.4 至 0.7 µm)用于光合作用。NDVI 代表归一化植被指数,是遥感和地理信息系统(GIS)中广泛使用的植被指数。NDVI 使用卫星或航空图像计算,以评估和监测植被健康状况和密度。它提供有关给定区域内活绿色植被的数量和活力的信息。NDVI的计算公式为:NDVI = (NIR — 红色) / (NIR + 红色)NIR 和 Red 的值范围为 0 到 1,表示相应波段的反射率或亮度。谷歌地球引擎。
2024-04-20 18:11:20 862
原创 Google Earth Engine 洪水制图 - 使用 Sentinel-1 SAR GRD
该数据包括地面范围检测 (GRD) 场景,这些场景已通过 Sentinel-1 工具箱进行处理,以创建经过校准和正射校正的产品。该集合每天都会更新,新获得的资产会在可用后两天内添加。该集合包含所有 GRD 场景。每个场景包含 4 个可能的偏振带中的 1 个或 2 个,具体取决于仪器的偏振设置。对于我们的项目“洪水测绘”,我们需要有 2 个图像,即洪水之前和之后的图像。之所以采用Sentinel-1 SAR GRD,是因为光学数据不能穿透云、降雨等障碍物,而Sentinel-1 SAR GRD则很容易穿透。
2024-04-20 18:07:02 802
原创 使用空间扩展管理 DuckDB 中的栅格(卫星图像)
随着空间数据源的激增,此类数据的有效处理和分析变得至关重要。前面的 SQL 语句将所有 Gtiff 加载到一个文件夹中,即我们的四个示例图块,从它们创建马赛克(聚合函数),最后将马赛克保存到新的。的空间扩展已经包含这个令人惊叹的库,它加载/处理/写入一组令人难以置信的地理空间数据格式。前面的SQL语句,以40m的分辨率保存输入图块的马赛克,原始分辨率是20m。光栅文件包含在拉取请求中,因为它们是由开发的 SQL 单元测试集加载的。,并概述使用空间 SQL 语句开发的函数的功能。光栅文件有一个独特的波段(
2024-04-18 09:44:31 971
原创 Python 包围盒裁剪卫星场景
最后,我们将点平移回来,以便旋转图像的中心位于正确的位置(第 16-17 行)。请注意,我们使用的是在转换 stac 文件的纬度和经度坐标时获得的。为了获取盒子内场景角点的坐标,我们需要使用 stac 文件(第 3 行)。重要的是,这与 stac 文件中给出的坐标的 CRS 不同。因此,要获得角点的像素坐标,我们必须首先将经纬度转换为UTM,然后再转换为像素坐标。在图 4 中,您可以看到我们在场景周围绘制了一个完美的框。使用这个角度我们旋转场景(第 9 行)。只有当我们处理南半球的场景时,这才是必要的。
2024-04-17 09:59:44 756
原创 Python分析之3 种空间插值方法
对于克里金法,最重要的参数是您选择的理论变异函数类型,因为它基本上定义了预测值和距离之间的关系。这次我们返回一个矩阵 (n,n),其中每一行表示一个点与所有其他点之间的距离(每行中的一个值为 0,因为一个点与其自身之间的距离为 0)。正如您所看到的,这里我们计算权重,而不是分配最近的已知点的值。还有许多其他方法,它们具有更高的精度,但它们背后的想法是相同的:找到至少两个已知点之间的函数值。因此,该算法的整体思想是调整理论变差函数的参数,使其适合实验变差函数,然后使用它来预测节点的值。
2024-04-17 09:44:51 1740
原创 地理编码应用程序实例-利用LanceDB、Pgvector构建地址查询应用
此外,Pgvector 和 LanceDB 都与各种著名的人工智能工具无缝集成,使我能够根据项目的具体要求选择最合适的技术。LanceDB 是一个用于人工智能的开源矢量数据库,旨在存储、管理、查询和检索大规模多模式数据的嵌入。由于我的电脑 RAM 不够,我会选择 IVFFlat :) 如果你的 RAM 足够,HNSW 是一个更好的选择。让我们为 pgvector 创建相同的查询来查找最近的位置。在本文中,我的目标是开发一个利用矢量数据库来查询地址和位置数据的应用程序。然后让我们创建我们的表。
2024-04-16 14:54:55 604
原创 Python 处理地理空间异常值:基于 MAD 的简单方法
就像任何其他数据一样,在处理地理空间数据时,识别和纠正异常值是数据准备中的关键步骤,可确保任何后续分析的准确性。在本文中,我们将探索这种简单而强大的基于 MAD 的方法,以在 Python 中识别和调整地理空间异常值,使您的数据分析更加稳健和可靠。通过组合这些异常值,我们可以可视化数据集中的内部值和异常值。在分别识别经度和纬度上的异常值后,我们将这些发现结合起来,以获得数据集中异常值的完整图像。其次,如果您认为某些可能的异常值被检测为异常值,而您只需要捕获极端异常值,则可以提高阈值来实现这一点。
2024-04-16 14:47:50 649
原创 图像分割-用于分割的深度图
从图像中,我们可以知道特征,加上深度图,我们可以得到相机到所拍摄特征的“相对尺寸”。简而言之,深度图为图像分类和特征提取创造了新的维度,它将成为跨不同计算机视觉和遥感行业的有用工具包。尽管如此,使用一张图像来获取和分割细节将是一个值得进一步研究的有趣主题,这种方法的计算强度较小,并且是存档结果的最快方法。尽管如此,在复杂的环境中也会出现缺陷,因为深度图模糊,目标特征和背景相互粘连。此外,在某些情况下,实际上并不是簇的数量越多,图像的自动裁剪和粘合的精度就越高。深度图的概念,K-means。
2024-04-16 14:35:03 591
原创 遥感中的 SAM 分割
由于输出结果会进行简化,因此需要进行评估和细化的过程来丰富分类结果,确实它确实帮助我们加快了分类过程很多。在传统的遥感中,我们需要手动定义掩模和边界,例如目标的边界和掩模的裁剪。它可以通过相机的深度方向进行分割和提取,在本文中,我们将把 SAM 用于城市林业和遥感应用。SAM模型可以在城市地区有效工作,例如来自Google Earth网格模型的样本数据,它可以定义植被覆盖、道路(天桥)、建筑物和水体。基于 RGB 的 SAM 输出、绿带 SAM 输出、基于 RGB 的深度图和绿带深度图输出。
2024-04-15 09:41:12 809
原创 探索 SAM 在遥感方面的能力
在点云生成的正射影像中,由于点云数据中存在更高级别的细节,分割结果可能比从垂直和倾斜图像获得的分割结果更好。需要注意的是,点云生成的正射影像的分割结果的质量取决于几个因素,包括点云数据的分辨率、正射影像的像素大小。尽管如此,我们仍然可以观察到一种模式,即倾斜角度约为 30-40 度,到相机点的距离越长,从给定的倾斜图像中分割的类别就越少。现在,我们将探讨 SAM 模型在不同遥感数据上的能力,包括假彩色图像、特写图像、倾斜照片和点云生成的正射影像。是的,但事实并非如此。将图像转换为具有分割 ID 的点云。
2024-04-15 09:39:32 1093
原创 激光点云SAM多角度点云分割
然而,单角度可能只能在 ALS 的 DEM(机载激光雷达产生的数字高程模型)中完成,对于手持设备(如 Geo-SLAM 和 iPhone 扫描)和 TLS(地面激光雷达),正射影像方法可能无法覆盖所有点,从点云进行自下而上的合并(Yang, Y., Wu, X., He, T., Zhao, H., & Liu, X., 2023)双向合并方法说明(Yang, Y., Wu, X., He, T., Zhao, H., & Liu, X., 2023)正射影像生成并在点云颜色的不同角度拍摄图像并输出图像。
2024-04-15 09:27:50 1229
原创 利用正射影像对斜射图像进行反向投影
因此,RANSAC算法可以通过计算inliners和outliers的数量来评估估计关键点的质量,确保与其他点不一致的点不会在Homography矩阵中被估计。然后,它通过考虑关键点周围区域中图像的梯度大小和方向来计算每个提取的关键点的方向。由于单应性矩阵的计算可能会受到两个图像中异常值的存在的影响,这将导致矩阵的不正确估计并导致沿图像的对准和映射不良。FLANN匹配器的方法基于K近邻搜索的概念,即从图像中找到k个近邻。找到相机在正射影像坐标系中的位置并在正射影像上绘制重叠区域的边界框。
2024-04-12 09:39:51 834
原创 探索点云与KD-Tree配对的方法
树的每个内部节点代表点云的一个子集,并根据选定的坐标轴分为两个子节点。因此,点云分析的第一步也是主要步骤是将点配对以进行有意义的比较。当数据点分布不均匀时,空间的某些区域可能比其他区域拥有更多的点。当树中的某些节点比其他节点拥有更多的点时,就会发生这种情况。尽管网格采样是点配对的替代方法,但由于子采样过程(可能包括平均),它仍然会比点配对产生更粗糙的数据。Kd 树最近邻搜索算法有助于在 Kd 树数据结构中找到距离给定查询点最近的点。另一方面,与网格采样相比,点配对排除了平均,并产生更深入、更细粒度的结果。
2024-04-12 09:31:36 345
原创 全景图像与激光雷达数据融合用于树种识别
我们可以简单地使用聚类及其关联的几何形状来分割茂密而复杂的森林中的每棵树。另一方面,谷歌估计的深度图并不是从相机视点捕获的深度图,它只是谷歌地球基础设施模型的模拟,深度估计对于林业目的来说是不正确的,不能应用于树木距离估计。就全景和机载激光雷达的数据融合而言,它可能具有不同的时间分辨率,全景图像每年都会快速更新,实际上当地政府的机载激光雷达是十年一次(每十年)调查一次。茂密而复杂的森林可能不利于全景图像的后向投影过程,因此我们尝试从不同深度检索树干,并测试线与线的相交在非常拥挤和复杂的森林地块上是否有效。
2024-04-11 09:50:22 1233
原创 激光点云-无监督语义分割方法
换句话说,如果颜色范围扩大以包括更多变化,则几何分割可能变得不太有效,因为具有相似颜色但不同几何属性的点可能被分组在一起。对于样本1和样本2,基于几何的分割以及基于颜色和几何的解决方案的混合融合可以更好、更有效地从低密度和超小占地面积的LiDAR点云中分割出这些椅子。基于布料模拟过滤器的性质,非地面点的去除极大地促进了基于几何的分割。对于样本3和样本4,基于拓扑和几何的混合分割比仅基于几何的方法更好。与基于几何的解决方案相比,基于颜色的分割的优点和局限性。与基于几何的解决方案相比,基于拓扑的分割的优点。
2024-04-11 09:46:31 680
原创 使用切片技术从移动测绘系统点云中检索胸高直径
会有一些细节表面,如草地、灌木和人造特征(如路缘),与真实地面的区别不同。第一个具有主干和分支的切片条件将是最好的假设场景,因为 DbH 的测量已经计算了主干和分支,然后我们通常可以通过最小边界框计算来检索 DbH。树干和叶子的第二个切片结果对于 DbH 计算来说将是一个更复杂的场景,因为 DbH 测量仅计算木体(树干和树枝),这些叶子部分应使用强度阈值分割出来,以避免计算错误。树干和树叶的情况通常发生在一些路边树木腐烂更换的情况下,那些种植的树木又小又细,那么树叶和树干都会包含在离地1.3米的高度内。
2024-04-11 09:44:32 503
原创 使用低空无人机图像对树种进行实例分割
在机器学习预分割阶段,捕获的无人机图像为.jpg(4:3,8064 x6048)格式,为了提高分割质量,将这些图像平铺为正方形(1:1,2048x2048)格式。对于航测过程中飞行高度较高的无人机(如55米至60米,每像素分别为24毫米和27毫米左右),可以解决透视误差,另一方面,分割冠轮廓误差可以解决通过更大的训练数据集来解决。低空无人机图像树种分割可以在更大的尺度和相对更高的高度进行扩展,以利于未来机器学习的进展,围绕较少的目标物种(例如5-10个物种)进行实例分类可以比更多的目标获得更高的精度。
2024-04-09 10:03:49 999
原创 利用近距离全景图像进行树木结构骨架分析
由于上传的全景图像是由两个鱼眼镜头组成的,因此我们将完整图像(2x1,宽度x高度)修剪为两个图像(1x1,宽度x高度)。请注意,修剪后的一半的中间分隔线不是真正的北方,北方在捕获的相机视点中是不同的。另外,谷歌街景开放供公众上传参与,谷歌官方在香港2023的成像传感器是由“理光Theta S”拍摄的,如果使用公开上传的数据,相机型号和镜头校准模型应该关于他们受人尊敬的相机型号(例如 Insta360 X)。结果通常是好的和准确的,但基于颜色的分割仍然存在一些缺陷,即无法从该原型中有效地检索详细的分支结构。
2024-04-09 10:00:42 904
原创 历史航拍影像中的阴影去除
为了最大限度地减少阴影对土地覆盖制图的影响,需要探索处理这些阴影区域的方法,以提高植被覆盖制图的准确性和进一步的变化检测。还是对于阴影去除来说,它只考虑了阴影区域,并重新计算那些更接近“无”阴影状态的区域像素,因此一些像素较暗的丘陵地区仍然会“保留”。成像中的照明变化增加了观察到的纹理强度的熵,并且成像中的纹理增加了照明函数的熵。作者观察到,照明的任何变化都会增加观察到的纹理强度的多样性(熵),并且纹理的存在会增加照明函数的熵。这种不等式表明,通过最小化纹理和照明分量的熵,可以减少观察到的图像的整体熵。
2024-04-08 10:32:43 1269
原创 基于深度学习的遥感影像道路检测
在这篇文章中,我介绍了使用深度学习在卫星图像中进行道路检测的整个流程。从数据预处理和模型训练到推理和输出保存,每个步骤对于获得准确的结果都至关重要。在这个项目中,我专注于分割卫星图像,以确定对城市规划、交通管理和基础设施开发等各种应用至关重要的道路区域。一旦我们有了经过训练的模型,我们就可以使用它对新的卫星图像进行推理以检测道路。这部分的重点是加载训练后的模型并将其应用到新图像。我们将准备卫星图像数据,对其进行预处理,并训练用于道路检测的深度学习模型。→ 使用保存在目录中的模型并注入您的 TIF。
2024-04-08 09:47:17 1184
原创 评估用于树木计数的超分辨率哨兵图像
与底图相比,数据集图像的分辨率更高,并且是在一天中的不同时间和不同季节拍摄的,因此我依赖于 GCP 的可靠地质特征。该方法采用两个步骤 - 首先,从 GeoTIFF 文件中提取标记的地理点,其次,将这些点重新投影到广泛使用的 EPSG:4326 坐标参考系统中。运行此程序,我们得到以下输出,这证实了 GeoTIFF 文件中的大小和像素值确实与原始 PNG 文件中的相同。虽然不是我们主要建模任务的先决条件,但拥有树木位置的矢量数据集可以增强可视化和更深入地了解数据的潜力,从而解锁数据交互的新维度。
2024-04-07 11:35:34 644
原创 带文字提示的遥感图像分割
随着自然语言处理和计算机视觉的巨大发展,越来越多的智能任务将在遥感领域自动实现。更深远的是,注释等耗时任务的成本可以显着降低。是计算机视觉领域的游戏规则改变者,无需额外学习即可对任何图像进行快速分割。然而,右边的建筑物却误报了。尽管存在差异,但建筑物还是被很好地检测到,尽管一些船只和游乐场出现了误报。然而,精度不够高:检测到图像右侧的建筑物,而不是左侧。由于道路检测是遥感中一项具有挑战性的任务,因此无法很好地检测到。然而,当我们设置类似的塔名称时,很容易出错。我们使用巴黎的目标图像,如下图所示。
2024-04-07 11:29:23 477
原创 Google Earth Engine之SAR洪水区域分析
SAR 技术凭借其全天候能力和昼夜成像能力,彻底改变了我们绘制和监测洪水易发地区的方式。这项突破性的技术使我们能够穿透云层,捕捉地球表面的高分辨率图像,并以无与伦比的精度跟踪变化。总之,SAR 数据和 GEE 在洪泛区测绘中的力量超越了界限并克服了障碍。随着我们的世界面临气候变化日益严峻的挑战以及极端天气事件日益频繁的情况,这些工具变得越来越重要。SAR 图像中的散斑噪声表现为随机的颗粒图案,通常由电磁波干扰引起。SAR 数据、Refined Lee 算法和 GEE 的集成提供了一种全面的洪水管理方法。
2024-04-07 11:12:49 364
原创 探索网络分析:图论算法介绍及其如何用于地理空间分析
接下来,重复以下三个步骤,直到没有更多节点可用:(1)查找从当前所选节点连接到其他节点的所有边,(2)选择成本最小的边并沿着该边到达下一个节点,以及(3) 如果从该节点开始没有循环,则移动到新节点。没有任何周期的最低成本节点的结构是MST。一旦达到此末端,它将回溯到第二个访问的节点,然后重新开始,这一次是从下一个可用的路径下,然后遵循该路径,直到不再可以。)的图形的可视化,连接每个节点的无方向边缘以及每个节点的程度到节点的顶部。考虑其所有未访问的邻居(或共享边的节点)并计算当前的评估通过当前节点的距离。
2024-03-26 14:30:57 1005
原创 使用 PointNet 和 PyTorch3D 进行点云分类
我们想拍摄数据的照片,在这种情况下,这是对象的点云。无论是在混乱的场景中对物体进行分类,还是分割3D模型的复杂部分,PointNet的简单而灵活的设计使其成为寻求利用深度学习力量进行3D建模和分析的研究人员和从业者的令人信服的选择。与依赖体素网格或 2D 投影的方法不同,PointNet 通过直接对点云数据应用高度并行化的操作来简化分类过程,无需复杂的预处理步骤。我们在本教程中没有实现 PointNet++,但我们包含了 PointNet++ 论文中介绍的一些技术,例如最远点采样和点丢失。
2024-03-26 14:20:27 1495
原创 Python 指南-最短路径(Dijkstra 算法):
Dijkstra 算法可在 Python 库 OSMNX 中实现,可用于查找两个位置之间按距离或时间加权的最短路径。使用起始位置和目标位置获取属于网络一部分的最近节点。可以使用 osmnx 函数获取节点的代码。我们将从图中提取节点的几何图形并创建表示最短路径的 LineString 几何图形。正如我提到的,我将做一个分步指南,所以让我们开始吧。然后,我们将提取将用于生成最短路径的图。您可以使用此数据来创建您自己的地图。我们将通过绘制所有元素来检查我们的工作是否正确。将地图的网络和路径保存在本地磁盘中。
2024-03-25 10:52:28 1082
原创 使用切片技术从点云中测量树木胸径DBH
会有一些细节表面,如草地、灌木和人造特征(如路缘),与真实地面的区别不同。第一个具有主干和分支的切片条件将是最好的假设场景,因为 DbH 的测量已经计算了主干和分支,然后我们通常可以通过最小边界框计算来检索 DbH。树干和叶子的第二个切片结果对于 DbH 计算来说将是一个更复杂的场景,因为 DbH 测量仅计算木体(树干和树枝),这些叶子部分应使用强度阈值分割出来,以避免计算错误。树干和树叶的情况通常发生在一些路边树木腐烂更换的情况下,那些种植的树木又小又细,那么树叶和树干都会包含在离地1.3米的高度内。
2024-03-22 10:19:41 1041
原创 LiDAR 点云数据综合指南
通过了解不同的类型、它们的应用程序和处理技术,您可以利用这个强大的工具来解锁有价值的见解并推动不同领域的创新。但如此丰富的信息也带来了复杂性,特别是在理解不同类型的激光雷达点云数据时。本指南旨在成为您的一站式资源,阐明其中的细微差别,并使您能够有效地利用这些数据。它生成密集 3D 点云的能力为我们的世界提供了无与伦比的洞察力。随着激光雷达技术的不断发展,数据驱动解决方案的可能性只会不断扩大,塑造更光明的未来。这些先进技术使各个领域的专业人士能够获得更深入的见解并做出明智的决策。
2024-03-22 10:08:07 778
数据中台整体解决方案-业务中台数据治理大数据中台建设方案Word+PPT(10篇)
2024-08-06
数字政务智慧政务数字政府整体解决方案Word+PPT(10篇)
2024-08-06
智慧园区整体解决方案-产业园区新型智慧园区综合建设方案Word+PPT(10篇)
2024-08-06
智慧水利整体解决方案-智慧水务流域信息化防汛应急指挥建设方案Word+PPT(10篇)
2024-08-05
智慧社区整体解决方案-社区治理安防楼宇管理平安社区建设方案Word+PPT(10篇)
2024-08-05
智慧交通整体解决方案-TOCC交通综合管控交通运行监测建设方案Word+PPT(10篇)
2024-08-05
智慧城市整体解决方案-顶层设计整体架构城市大脑应用方案Word+PPT(15篇)
2024-08-05
数据治理平台解决方案-数据交换共享平台大数据治理数据运营治理体系Word+PPT(10篇)
2024-08-05
大数据平台整体解决方案-资源中心数据治理数据中台大数据分析Word+PPT(10篇)
2024-08-05
城市大脑解决方案智慧城市顶层系统规划建设方案PPT+Word(10篇)
2024-08-05
数字政府大数据治理平台及大数据中心资源平台建设方案
2024-08-05
全国地理分区数据集shp矢量数据下载-三大分区、九大流域、气候区-带python代码
2024-08-02
全国森林公园、地质公园、自然保护区shp矢量图层数据下载-带python代码
2024-08-02
2024重庆市行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-02
2024浙江省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-02
2024云南省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024新疆行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024天津市行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024四川省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024陕西省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024山西省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024上海市行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024山东省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024青海省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024宁夏行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024内蒙古行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024辽宁省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024江西省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024江苏省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024吉林省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024湖南省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024湖北省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024黑龙江省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024河南省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024河北省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024海南省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
2024贵州省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
2024-08-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人